Baseten மிகப்பெரிய $1.5 பில்லியன் இன்ஃபரன்ஸ் (Inference) நிதித் தொகுப்பின் மூலம் $13 பில்லியன் மதிப்பீட்டை நோக்கிய பயணம்

AI உள்கட்டமைப்புத் துறை ஒரு மாபெரும் எழுச்சிக்குத் தயாராகி வருகிறது, ஏனெனில் இன்ஃபரன்ஸ் ஸ்டார்ட்அப் (inference startup) ஆன Baseten, ஒரு மிகப்பெரிய $1.5 பில்லியன் நிதித் தொகுப்பை இறுதி செய்யத் தயாராகி வருகிறது. இந்த மிகப்பெரிய மூலதன வரத்து, முன்னெப்போதும் இல்லாத அதிவேக வளர்ச்சியின் தொடர்ச்சியாகும்; இது செயற்கை நுண்ணறிவின் செயல்பாட்டுத் தளத்தை (operational layer) நோக்கி முதலீட்டாளர்களின் கவனம் மாறுவதை உணர்த்துகிறது.

மதிப்பீட்டில் ஒரு மின்னல் வேக வளர்ச்சி

Baseten-ன் சமீபத்திய வளர்ச்சிப் பாதை அசாதாரணமானது. Wall Street Journal அறிக்கையின்படி, இந்த ஸ்டார்ட்அப் $13 பில்லியன் மதிப்பீட்டில் இந்த நிதித் தொகுப்பை இறுதி செய்து வருகிறது—இது வெறும் ஐந்து மாதங்களுக்கு முன்பு $5 பில்லியன் மதிப்பீட்டில் $300 மில்லியன் Series E நிதித் தொகுப்பை முடித்ததிலிருந்து ஒரு மிகப்பெரிய முன்னேற்றமாகும். இந்த வளர்ச்சியைப் புரிந்துகொள்ள வேண்டுமென்றால், அரை ஆண்டிற்கும் குறைவான காலத்தில் Baseten தனது மதிப்பீட்டை சுமார் 160% உயர்த்தியுள்ளது.

இது மிக வேகமான விரிவாக்க முறையைப் பின்பற்றுகிறது; $150 மில்லியன் Series D முடிந்து ஒன்பது மாதங்களிலேயே Series E முடிவடைந்தது. $13 பில்லியன் என்பது முக்கிய இலக்காக இருந்தாலும், இது ஒரு split-priced round என்று தொழில்துறை வல்லுநர்கள் குறிப்பிடுகின்றனர். சில முதலீட்டாளர்கள் $13 பில்லியன் மதிப்பீட்டில் நுழைகிறார்கள், மற்றவர்கள் $11 பில்லியன் மதிப்பீட்டில் நுழைகிறார்கள்; இது cap tables-ஐ நிர்வகிக்கவும், முன்னணி முதலீட்டாளர்களுக்கான லாபத்தை மேம்படுத்தவும் பயன்படுத்தப்படும் ஒரு பொதுவான உத்தி ஆகும். இந்த சமீபத்திய நிதித் தொகுப்பை Spark Capital, Sands Capital, Altimeter Capital மற்றும் Wellington Management போன்ற முன்னணி நிறுவனங்கள் இணைந்து வழிநடத்துவதாகக் கூறப்படுகிறது.

இன்ஃபரன்ஸ் தங்கம் வேட்டையை (Inference Gold Rush) பயன்படுத்திக் கொள்ளுதல்

2019-ல் தொடங்கப்பட்டதிலிருந்து, தொழில்துறை ஆய்வாளர்கள் "inference gold rush" என்று அழைக்கும் நிகழ்வின் மையப்பகுதியில் Baseten தன்னை நிலைநிறுத்திக் கொண்டுள்ளது. ஆரம்பகால AI ஆர்வம் பெரும்பாலும் foundation model training-ஐச் சுற்றியே இருந்தது, ஆனால் இப்போது தொழில்துறை "inference layer"-ஐ நோக்கித் திரும்புகிறது—இது ஒரு பயிற்சியளிக்கப்பட்ட மாடல் (trained model), பயனரின் prompt-ஐச் செயலாக்கி வெளியீட்டை (output) உருவாக்கும் முக்கியமான நிலையாகும்.

AI வாழ்க்கைச் சுழற்சியின் (AI lifecycle) இந்த குறிப்பிட்ட கட்டத்தை மேம்படுத்தும் திறனிலேயே Baseten-ன் மதிப்பு உள்ளது. இந்தத் தளம் செலவுகளைக் கடுமையாகக் கட்டுப்படுத்தும் அதே வேளையில், inference கோரிக்கைகளை (inference requests) மிக வேகமாகக் கையாளும் என்று உறுதியளிக்கிறது. குறிப்பிட்ட பணிகளை அந்தப் பணிக்கு மிகவும் திறமையான மாடலுக்குத் திசைதிருப்பும் intelligent routing மூலம் இது சாத்தியமாகிறது. முக்கியமாக, விலையுயர்ந்த, பிரத்யேகமான (proprietary) Large Language Models (LLMs)-ஐ மட்டுமே நம்பியிருக்காமல், திறமையான மற்றும் குறைந்த செலவிலான open-source மாடல்களை நோக்கிப் பணிகளைத் திசைதிருப்புவதில் Baseten சிறந்து விளங்குகிறது.

AI விரிவாக்கத்திற்கு இன்ஃபரன்ஸ் லேயர் ஏன் முக்கியமானது

Baseten-க்குள் வந்துள்ள இந்த மிகப்பெரிய மூலதனப் பெருக்கம், தற்போதைய AI யுகத்தின் ஒரு அடிப்படை உண்மையை அடிக்கோடிட்டுக் காட்டுகிறது: ஒரு மாதிரியை (model) உருவாக்குவது என்பது போரின் பாதி மட்டுமே; அதை பெரிய அளவில் திறம்பட செயல்படுத்துவதில்தான் (deploy) உண்மையான பொருளாதார மதிப்பு உள்ளது. நிறுவனங்கள் சோதனை நிலையிலிருந்து உற்பத்தி நிலைக்கு மாறும்போது, LLM inference தொடர்பான செலவுகள் மிக அதிகமாக மாறக்கூடும்.

மாதிரித் தேர்வு மற்றும் ரூட்டிங்கை (routing) மேம்படுத்தும் ஒரு அப்ஸ்ட்ராக்ஷன் லேயரை (abstraction layer) வழங்குவதன் மூலம், Baseten AI பயன்பாட்டின் முதன்மையான தடையான unit economics சிக்கலைத் தீர்க்கிறது. டெவலப்பர்கள் மற்றும் நிறுவனர்களுக்கு, இது அதிகக் கணிக்கக்கூடிய லாப வரம்பையும், தனித்தனி டெப்ளாய்மென்ட் பைப்லைன்களை நிர்வகிக்கும் பொறியியல் கூடுதல் சுமை இல்லாமலேயே, பல்வேறு வகையான ஓபன் சோர்ஸ் மாதிரிகளின் சூழல் அமைப்பைப் பயன்படுத்திக்கொள்ளும் திறனையும் வழங்குகிறது.

முக்கியத் தகவல்கள்

• அதிவேக வளர்ச்சிப் பாதை: Baseten நிறுவனம் $13B மதிப்பீட்டில் $1.5B நிதியைத் திரட்டுவதாகக் கூறப்படுகிறது, இது ஆறு மாதங்களுக்கும் குறைவான காலத்தில் 160% மதிப்பீட்டு அதிகரிப்பைக் குறிக்கிறது.
• மூலோபாய ரூட்டிங் (Strategic Routing): இந்தத் தளம் பணிகளை மிகவும் திறமையான மாதிரிகளுக்கு ரூட்டிங் செய்வதன் மூலம் AI செலவுகளை மேம்படுத்துகிறது, குறிப்பாகச் செலவு குறைந்த ஓபன் சோர்ஸ் மாற்றுகளைப் பயன்படுத்துகிறது.
• கட்டமைப்பு நோக்கிய மாற்றம்: இந்த முதலீடு, மூலதனத்தை மாதிரிப் பயிற்சியிலிருந்து (model training) விலக்கி, அதிகத் தேவை கொண்ட inference மற்றும் deployment அடுக்கு நோக்கி நகர்த்தும் ஒரு பரந்த VC போக்கினைச் சுட்டிக்காட்டுகிறது.